Établissement et valeur d’application clinique d’une plateforme de diagnostic automatique pour la stadification T du cancer rectal basée sur un réseau neuronal profond

Établissement et valeur d’application clinique d’une plateforme de diagnostic automatique pour la stadification T du cancer rectal basée sur un réseau neuronal profond

Le cancer colorectal représente un défi sanitaire mondial, se classant au troisième rang des tumeurs malignes en incidence et au quatrième rang des décès liés au cancer. La stadification préopératoire précise est cruciale pour déterminer les stratégies thérapeutiques, car une erreur de stadification peut entraîner des conséquences irréversibles. L’imagerie par résonance magnétique (IRM) s’est imposée comme référence pour la stadification préopératoire grâce à sa résolution supérieure des tissus mous comparée à l’échographie endoscopique (EUS) et la tomodensitométrie (TDM). Cependant, la variabilité d’expertise radiologique, la charge de travail élevée et les erreurs humaines limitent la cohérence diagnostique. Cette étude a développé une plateforme d’intelligence artificielle (IA) utilisant des réseaux de neurones convolutionnels basés sur des régions plus rapides (Faster R-CNN) pour automatiser la stadification T du cancer rectal à partir d’IRM.

Méthodologie et conception de la plateforme

L’étude a analysé rétrospectivement 183 patients traités à l’Hôpital affilié de l’Université de Qingdao entre juillet 2016 et juillet 2017. Les critères d’inclusion comprenaient une IRM pelvienne haute résolution préopératoire, une confirmation histopathologique postopératoire du stade T, et une résection chirurgicale radicale. Les patients avec diagnostics ambigus ou lésions non malignes ont été exclus. La cohorte comprenait 121 hommes (66,1 %) et 62 femmes (33,9 %), avec des tumeurs localisées au rectum inférieur (59 cas), moyen (91 cas) et supérieur (33 cas). Les IRM ont été réalisées sur un scanner GE Signa 3.0T HDX avec des séquences pondérées en T2 dans les plans sagittal, coronal et horizontal. Les paramètres clés incluaient un temps de répétition de 2000–4000 ms, un temps d’écho de 60–120 ms, et une épaisseur de coupe de 5–6 mm. Un total de 10 800 images IRM a été compilé, avec 80 % (8 640 images) pour l’entraînement et 20 % (2 160 images) pour la validation.

L’architecture Faster R-CNN a été choisie pour sa capacité à proposer simultanément des régions d’intérêt (ROI) et classifier les stades tumoraux. Le réseau comprenait quatre composants :

1. Couches convolutionnelles : Extraction de caractéristiques à partir d’images redimensionnées à 512×557 pixels et normalisées.
2. Réseau de proposition de régions (RPN) : Génération de régions tumorales candidates via des boîtes d’ancrage adaptées à l’anatomie rectale.
3. ROI Pooling : Standardisation des régions en vecteurs de longueur fixe.
4. Classification et régression : Prédiction des stades T (T1–T4) basée sur la profondeur d’invasion tumorale.

L’entraînement impliquait un processus itératif en quatre étapes :

1. Entraînement du RPN : Initialisation avec les poids VGG16 et optimisation via les annotations histopathologiques.
2. Entraînement du réseau de détection : Utilisation des propositions RPN pour la classification.
3. Affinage du RPN : Optimisation des paramètres RPN avec couches convolutionnelles fixes.
4. Affinage final : Ajustement des couches de classification.

La fonction de perte combinant erreurs de classification et de localisation a montré une convergence stable sur 700 époques.

Évaluation des performances

La plateforme a démontré des performances exceptionnelles :

1. Identification des plans : Exactitude de 100 % pour distinguer les plans IRM.
2. Exactitude diagnostique globale :
   • Plan horizontal : AUC = 0,99
   • Plan coronal : AUC = 0,98
   • Plan sagittal : AUC = 0,97
3. Performances par stade :
   • Plan horizontal : AUC = 1,00 pour tous les stades T.
   • Plan coronal : AUC de 0,96 (T1) à 0,97 (T2–T4).
   • Plan sagittal : AUC de 0,95 (T1) à 1,00 (T4).

Ces résultats surpassent l’exactitude diagnostique de 62 % des radiologues de l’hôpital participant et l’évaluation manuelle par IRM (86 %).

Implications cliniques et limites

Avancées majeures :

1. Intégration automatisée multi-plans : Compensation des limites des analyses uni-planaires.
2. Apprentissage guidé par l’histopathologie : Minimisation des écarts entre imagerie et résultats postopératoires.
3. Efficacité opérationnelle : Réduction du temps d’analyse comparé à l’évaluation manuelle.

Limitations :

• Biais de sélection : Exclusion des patients non chirurgicaux.
• Restadification post-chimiothérapie : Non évaluée dans les cas avec fibrose post-thérapeutique.
• Déséquilibre de classes : Sous-représentation des stades T1.

Conclusion et perspectives

Cette plateforme d’IA atteint une performance diagnostique équivalente à celle des experts radiologues. Les travaux futurs porteront sur :

1. L’élargissement des jeux de données aux cas non chirurgicaux et post-thérapeutiques.
2. L’intégration des modules de stadification N et M.
3. La validation multicentrique avec divers protocoles d’imagerie.

Cette innovation illustre le potentiel transformateur de l’IA en oncologie, combinant rapidité, cohérence diagnostique et optimisation des ressources.

doi : 10.1097/CM9.0000000000001401